QUBO-Based Optimization of Social Indicator Configurations for Working-Age Population Growth

사람과 장소의 퍼즐

완벽한 케이크를 굽기 위해 노력하고 있다고 상상해 보세요. 하지만 밀가루와 설탕 대신, 당신의 재료는 "마을에 얼마나 많은 사람이 사는가", "그들의 연령대는 어떠한가", 그리고 "어떤 종류의 직업을 가지고 있는가"와 같은 것들입니다. 과학의 세계에서 이것은 사회의 서로 다른 부분들이 어떻게 결합하여 공동체를 번영하게 만드는지를 연구하는 것과 비슷합니다. 수십 년 동안 과학자들은 마을이 생산 가능 인구(대략 15세에서 64세 사이의 사람들)를 잃을 때, 그 마을이 힘든 미래에 직면한다는 사실을 알고 있었습니다. 이는 마치 스포츠 팀이 스타 플레이어들을 잃는 것과 같습니다. 팀 전체가 경기를 계속 이어가는 데 어려움을 겪게 됩니다.

하지만 까다로운 점은, 단 하나만 고칠 수는 없다는 것입니다. 단순히 "평균 연령을 낮추기만 하면 모든 것이 좋아질 거야!"라거나 "외국인 거주자를 더 많이 유입시키기만 하면 문제가 해결될 거야!"라고 말할 수 없습니다. 현실 세계는 복잡합니다. 이러한 요인들은 마치 소금을 한 꼬집 넣었을 때 설탕의 맛이 변하는 레시피처럼, 복잡한 방식으로 서로 섞입니다. 최적의 조합을 찾아내기 위해 연구자들은 **최적화(optimization)**라는 특별한 수학을 사용합니다. 이것은 단순히 하나의 답을 찾는 것이 아니라, 가장 잘 작동하는 하나의 '레시피'를 찾기 위해 수백만 개의 가능한 레시피를 탐색하는 초지능형 검색 엔진과 같습니다. 최근에는 이 거대한 퍼즐을 더 빠르게 해결하기 위해 **양자 어닐링(quantum annealing)**이라는 새로운 유형의 컴퓨터 기술이 도입되었습니다. 이는 가능성의 풍경 속에서 언덕과 골짜기를 뛰어넘어 가장 낮은 지점(또는 원하는 것에 따라 가장 높은 정점)을 찾아내는 마법의 나침반처럼 작동합니다.

논문의 핵심 아이디어: 완벽한 사회적 레시피 찾기

이 연구에서 도호쿠 대학교와 기타 기관의 연구진은 일본의 생산 가능 인구 감소 문제를 해결하기로 했습니다. 그들은 다음과 같은 질문을 던졌습니다: 만약 우리가 마을의 사회적 통계치를 마법처럼 조정할 수 있다면, 어떤 변화의 조합이 생산 가능 인구의 가장 큰 성장을 이끌어낼 것인가?

단순히 추측하는 대신, 그들은 디지털 "대리 모델(surrogate model)"을 구축했습니다. 이것을 마법은 아니지만 실제 데이터로 학습된 수정구슬이라고 상상해 보세요. 그들은 1,855개 일본 마을의 데이터를 가져왔으며, 2010년 인구 조사 자료를 바탕으로 10가지 다양한 사회적 지표(인구 밀도, 평균 연령, 다양한 유형의 노동자 비율 등)를 살펴보고, 이것들이 2010년에서 2020년 사이의 인구 성장과 어떻게 관련되어 있는지 확인했습니다. 그들은 이 연속적인 숫자들을 각 지표당 4개의 설정값이 있는 다이얼처럼 단순한 "원-핫(one-hot)" 코드로 변환했습니다.

그 결과는 이차 방정식, 즉 각 지표가 단독으로 어떻게 작동하는지뿐만 아니라, 그들이 서로 어떻게 상호작용하는지를 포착하는 수학적 공식이었습니다. 이는 "낮은 평균 연령"이 좋긴 하지만, "낮은 평균 연령"에 "적절한 수준의 1차 산업 종사자"가 더해졌을 때 훨씬 더 좋다는 것을 깨닫는 것과 같습니다. 이 모델은 놀라울 정도로 정확했습니다. 결정 계수(correlation coefficient) 0.84와 평균 결정 계수($R^2$) 0.76를 기록하며 인구 성장을 예측했습니다. 이는 그들이 만든 수학적 레시피가 실제 결과와 매우 잘 일치함을 의미하지만, 저자들은 이것이 미래를 보장하는 수정구슬이 아니라 가능성을 탐색하기 위한 도구라는 점을 주의 깊게 명시하고 있습니다.

최적화 탐색: 양자 vs. 고전적 방식

레시피를 완성한 후, 팀은 가장 최적의 조합을 찾아내야 했습니다. 여기서 "QUBO(이차 비제약 이진 최적화)" 프레임워크가 등장합니다. 그들은 성장 모델을 10가지 지표의 특정 조합을 찾아 인구 성장을 극대화하는 것을 목표로 하는 퍼즐로 변환했습니다.

이를 해결하기 위해 그들은 세 가지 서로 다른 "탐색자"를 사용했습니다:

1. Gurobi: 완벽한 책을 찾기 위해 모든 책을 꼼꼼히 확인하는 세심한 사서처럼 행동하는 강력하고 정확한 컴퓨터 솔버입니다.
2. 시뮬레이티드 어닐링(Simulated Annealing): 금속이 서서히 식는 과정을 모방하여 좋은 해답에 천천히 안착하는 고전적인 컴퓨터 방법입니다.
3. 양자 어닐링(Quantum Annealing): D-Wave Advantage2 시스템을 사용하는 방법으로, 양자 물리학을 사용하여 독특한 방식으로 해답 공간을 탐색합니다.

세 가지 방법 모두 정확히 동일한 최적의 구성을 찾아냈습니다! 성장을 위한 최적의 "레시피"는 다음과 같았습니다:

• 가장 높은 수준의 인구 밀도.
• 가장 낮은 수준의 평균 연령.
• 가장 높은 수준의 성비 (여성 100명당 남성 수).
• 가장 높은 수준의 외국인 거주자.
• 가장 높은 수준의 1인 가구.
• 두 번째 수준의 3세대 가구.
• 가장 낮은 수준의 1차 산업 종사자.
• 가장 낮은 수준의 2차 산업 종사자.
• 가장 높은 수준의 3차 산업 종사자.
• 가장 높은 수준의 주간-야간 인구 비율.

이 완벽한 구성에 대한 예측 성장률은 약 6.35였습니다. 그러나 연구진은 단순히 "완벽한" 답에서 멈추지 않았습니다. 그들은 어닐링 방법(양자 및 시뮬레이티드 모두)이 완벽하지는 않더라도 여전히 매우 유망한, 완벽에 가까운 다른 많은 "좋은" 구성들도 찾아냈다는 점에 주목했습니다. 이는 현실 세계에서 어떤 마을이 예산이나 지리적 요인 때문에 즉각적으로 "완벽한" 구성이 될 수는 없다는 점을 고려할 때 매우 중요합니다. "충분히 좋은" 대안 목록을 갖는 것은 이론적인 이상향 하나만을 갖는 것보다 훨씬 더 유용합니다.

반전: 핵심은 조합이다

이 모델이 실제로 어떻게 작동하는지 확인하기 위해, 팀은 인구 성장률이 유사했던 세 곳의 실제 마을(익명 처리된 A, B, C)을 선정했습니다. 그런 다음 그들은 "만약 ~한다면" 게임을 수행했습니다: 이 마을들에서 단 하나만 바꾼다면 어떤 일이 벌어질까?

그들은 흥미로운 사실을 발견했습니다. 단 하나의 지표를 바꾸는 것이 항상 도움이 되는 것은 아니었습니다. 예를 들어, 어떤 마을에서는 "주간-야간 인구 비율"을 "최적" 수준에 가깝게 옮겼음에도 불구하고 오히려 예측된 성장이 낮아졌습니다. 이는 지표들이 깊게 연결되어 있음을 증명했습니다. 퍼즐의 한 조각을 독립적으로 고칠 수는 없습니다. 한 가지를 바꾸는 효과는 다른 요소들이 무엇을 하고 있느냐에 따라 전적으로 달라집니다.

또한 이 연구는 낮은 평균 연령과 적절한 비율의 1차 산업 종사자의 조합이 성장의 강력한 동력이 된다는 구체적이고 강한 상호작용을 강조했습니다. 이는 마법이 단순히 젊은 사람들이나 농부들을 보유하는 데 있는 것이 아니라, 그들의 올바른 조합을 갖추는 데 있다는 것을 시사합니다.

이것이 의미하는 바 (그리고 의미하지 않는 바)

저자들은 자신들의 작업이 무엇인지, 그리고 무엇이 아닌지에 대해 매우 명확하게 밝히고 있습니다. 그들은 이것이 인과 관계의 증명이 아니라 방법론적 입증이라고 말합니다. 즉, "X를 하면 Y가 반드시 일어난다"라고 말하는 것이 아닙니다. 대신, "우리의 모델은 이러한 조합들이 성장과 연관되어 있음을 시사한다"라고 말하는 것입니다. 현실 세계의 정책은 복잡하며, 마을의 인구 통계를 실제로 변화시키는 데는 이 수학 모델이 포착하지 못하는 법률, 경제, 인간 행동이 포함됩니다.

그러나 이 연구는 우리가 복잡한 사회적 데이터를 가져와 해석 가능한 수학 모델로 변환하고, 고급 최적화 도구(양자 컴퓨팅 포함)를 사용하여 다양한 시나리오를 탐색할 수 있음을 성공적으로 보여주었습니다. 이는 "만약 우리가 이 조합을 시도한다면 어떨까?"라는 질문을 던지고 데이터에 기반한 답변을 얻을 수 있는 투명한 방법을 제공합니다. 이 특정 규모의 테스트에서 양자 컴퓨터가 고전 컴퓨터를 반드시 능가하지는 않았지만, 두 방법 모두 동일한 답을 찾아냈다는 사실은 이 방법의 신뢰성을 높여줍니다. 진짜 가치는 단 하나의 숫자를 바라보며 운에 맡기는 것이 아니라, 정책 입안자들이 논의할 수 있는 실행 가능하고 최적화된 시나리오 목록을 생성할 수 있는 도구를 갖는 데 있습니다.